استفاده از شبکه‌ی UNet با نظارت عمیق برای تخمین فشار خون پیوسته از سیگنال فوتوپلتیسموگرافی

Abstract

پایش فشار خون، یکی از مؤلفه‌های حیاتی برای حفظ سلامتی است. فشار خون بالا، به عنوان یک عامل خطر می‌تواند منجر به بروز حمله قلبی، سکته، نارسایی قلبی و کلیوی شود. همچنین، فشار خون پایین نیز می‌تواند خطرناک باشد و منجر به گیجی، ضعف، غش و اختلال در اکسیژن رسانی به اندام‌ها و آسیب به مغز و قلب گردد. از این رو پایش مداوم میزان فشار خون در افراد با ریسک بالا بسیار حائز اهمیت می‌باشد، به طوری که استفاده از دستگاه هولتر فشارخون به دلیل قابلیت ثبت طولانی مدت و ارزشمند اطلاعات فشارخون برای بسیاری از بیماران تجویز می‌شود. تلاش برای دستیابی به تکنیک‌های نرم افزاری و توسعه دستگاه‏های اندازه‌گیری فشارخون بدون کاف، با حفظ آسایش و راحتی بیمار، از مهم‌ترین چالش‌هایی است که ذهن پژوهشگران را به خود اختصاص داده است. در این پژوهش یک چهارچوب یادگیری عمیق بر مبنای شبکهUNet یک­بعدی با نظارت عمیق جهت تخمین فشار خون پیوسته از روی سیگنال فوتوپلتیسموگرافی بدون استفاده از روش کالیبراسیون فردی ارائه شده است. مدل ارائه شده بر روی بانک داده UCI برای 942 بیمار تحت مراقبت ویژه، به میانگین خطای مطلق 88/8 ، 43/4 و 32/3 و انحراف معیار 01/11، 18/6 و 15/4 میلی­متر جیوه به ترتیب برای فشار خون سیستول ، دیاستول و فشار خون میانگین دست یافت. طبق استاندارد بین المللی BHS، روش پیشنهادی، درجه‏ی A برای فشار خون دیاستول و میانگین و نیز درجه‏یC برای فشار خون سیستول را برآورده می‏کند. نتایج حاصل از این پژوهش حاکی از آن است که چهارچوب یادگیری عمیق پیشنهادی